Multi-temporal full polarimetry L-band SAR data classification for agriculture land cover mapping
Notice bibliographique
Résumé
This paper presents a multi-step framework for classification and crop mapping using several polarimetric features, extracted from multitemopral Synthetic Aperture Radar (SAR) imagery. The multi-temporal data classification, not only improves the overall retrieval accuracy, but also provides more reliable crop discrimination in comparison to single-date data [1]. This is mainly because various phenogical stages of crops can contribute discrimination and classification of agricultural lands. The proposed framework in this paper consists of three main steps: a) data preprocessing, b) processing, and c) classification and evaluation. Several polarimetic features are extracted from preprocessed data, including the coherency and/or the covariance matrixes. Polarimetry decompositions then can allpy to ectract the statistical or physical based polarimetric components. Support vector machines' (SVM) classifier is employed for classification of these features. In addition, different kinds of kernel functions are used to evaluate the performance of SVM for classification. The method is applied to several UAVSAR L-band SAR images acquired over an agricultural area near Wennipeg, Manitoba, Canada. in summer of 2012. The experimental tests show that using two data data increases the overall accuracy of the classification up to 14%, and using an aditional date, i.e. three multitemporal datasets, increases the overall accuracy about 9% in comparing to two date imagery. The effect of multi-temporal data in crop classification is much more than even using more training data, which sometimes is expensive and time consuming.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».